文献

J-GLOBAL ID：202202255807111829   整理番号：22A1019328

手/手首運動の大規模集合の高精度分類のための筋電図信号とアンサンブル学習のカーネル密度推定【JST・京大機械翻訳】

Kernel Density Estimation of Electromyographic Signals and Ensemble Learning for Highly Accurate Classification of a Large Set of Hand/Wrist Motions

著者 (9件)： Ghaderi Parviz (The Biomedical Engineering Department, Engineering Faculty, University of Isfahan, Isfahan, Iran) ,  Ghaderi Parviz (Laboratory of Sensory Processing, Brain Mind Institute, Faculty of Life Sciences, Ecole Polytechnique Federale de Lausanne (EPFL), Lausanne, Switzerland) ,  Nosouhi Marjan (The Biomedical Engineering Department, Engineering Faculty, University of Isfahan, Isfahan, Iran) ,  Jordanic Mislav (Biomedical Engineering Research Centre (CREB), Automatic Control Department (ESAII), Universitat Politecnica de Catalunya-Barcelona Tech (UPC), Barcelona, Spain) ,  Marateb Hamid Reza (The Biomedical Engineering Department, Engineering Faculty, University of Isfahan, Isfahan, Iran) ,  Marateb Hamid Reza (Biomedical Engineering Research Centre (CREB), Automatic Control Department (ESAII), Universitat Politecnica de Catalunya-Barcelona Tech (UPC), Barcelona, Spain) ,  Mananas Miguel Angel (Biomedical Engineering Research Centre (CREB), Automatic Control Department (ESAII), Universitat Politecnica de Catalunya-Barcelona Tech (UPC), Barcelona, Spain) ,  Mananas Miguel Angel (CIBER de Bioingenieria, Biomateriales y Nanomedicina (CIBER-BBN), Madrid, Spain) ,  Farina Dario (Department of Bioengineering, Imperial College London, London, United Kingdom)
資料名： Frontiers in Neuroscience (Web)  (Frontiers in Neuroscience (Web))
巻： 16  ページ： 796711  発行年： 2022年 
JST資料番号： U7087A  ISSN： 1662-453X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 筋電制御の性能は,表面筋電図(sEMG)信号から抽出した特徴に大きく依存する。カーネル密度推定に基づく3つの新しいsEMG特徴を提案した。密度のトリミング平均(TMD),密度のエントロピー,および導関数密度のトリミング平均絶対値を各sEMGチャネルに対して計算した。これらの特徴を,単一タスクの分類および同時に実施した2つのタスクに対して試験した。単一タスクのために,相関ベースの特徴選択を使用し,次に,特徴を線形判別分析(LDA),非線形サポートベクトルマシン,および多層パーセプトロンを用いて分類した。eXtreme勾配ブースティング(XGBoost)分類器を,同時に実行した2つの運動の分類に使用した。Ninaproデータセット(従来の制御)とAmeriの運動データセット(同時制御)の第2と第3版を用いて,提案した特徴を試験した。ニャプロデータセットでは,TMD特徴を用いたLDAの総合精度は,それぞれ,可能な被験者とアンプテート被験者で,98.99±1.36%と92.25±9.48%であった。3つの分類器のアンサンブル学習を用いて,検証セットの平均マクロおよびミクロFスコア,マクロリコール,および精度は,無傷被験者に対して,それぞれ,98.23±2.02,98.32±1.93および98.88±1.31%であった。運動誤分類率は,無傷の被験者とアンプルで1.75±1.73と3.44±2.23であった。提案した特徴は,運動クラス[一般化線形モデル(GLM),P値<0.05]と有意に相関した。提案したアルゴリズムの正確なオンライン実装も提示した。同時制御のために,全体の精度は,XGBoostとLDA分類装置のために,それぞれ99.71±0.08と97.85±0.10であった。したがって,提案した特徴は,従来および同時の筋電制御に対して有望である。Copyright 2022 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  エントロピー ,  分類装置 ,  特徴選択 ,  *筋電図 ,  導関数 ,  多層パーセプトロン ,  機械学習 ,  サポートベクトルマシン
準シソーラス用語： 被験者 ,  *アンサンブル学習 ,  ブースティング ,  *筋電信号 ,  表面筋電図 ,  オンライン , 【Automatic Indexing@JST】

著者キーワード (6件)： 筋電図 ,  アンサンブル学習 ,  カーネル密度推定 ,  機械学習 ,  筋電制御 ,  補綴物

分類 (1件)： 生体計測  (EL03020C)

引用文献 (58件)：

• AbdelMaseeh M., Chen T. W., Stashuk D. W. (2016). Extraction and classification of multichannel electromyographic activation trajectories for hand movement recognition. IEEE Trans. Neural Syst. Rehabil. Eng. 24 662-673. doi: 10.1109/TNSRE.2015.2447217
• Ameri A., Akhaee M. A., Scheme E., Englehart K. (2018). Real-time, simultaneous myoelectric control using a convolutional neural network. PLoS One 13:e0203835. doi: 10.1371/journal.pone.0203835
• Ameri A., Akhaee M. A., Scheme E., Englehart K. (2020). A deep transfer learning approach to reducing the effect of electrode shift in EMG pattern recognition-based control. IEEE Trans. Neural Syst. Rehabil. Eng. 28 370-379. doi: 10.1109/TNSRE.2019.2962189
• Ameri A., Scheme E. J., Kamavuako E. N., Englehart K. B., Parker P. A. (2014). Real-time, simultaneous myoelectric control using force and position-based training paradigms. IEEE Trans. Biomed. Eng. 61 279-287. doi: 10.1109/tbme.2013.2281595
• Atzori M., Cognolato M., Müller H. (2016). Deep learning with convolutional neural networks applied to electromyography data: a resource for the classification of movements for prosthetic hands. Front. Neurorobot. 10:9. doi: 10.3389/fnbot.2016.00009

タイトルに関連する用語 (9件)： 手 ,  手首 ,  運動 ,  大規模 ,  集合 ,  分類 ,  筋電図 ,  アンサンブル学習 ,  カーネル密度推定